Estimativa da energia de micro-aerogeradores urbanos com aprendizado de máquina
Carregando...
Arquivos
Data
2024-11-18
Orientador
De Conti, Claudio 
Coorientador
Pós-graduação
Curso de graduação
Rosana - FEC - Engenharia de Energia
Título da Revista
ISSN da Revista
Título de Volume
Editor
Universidade Estadual Paulista (Unesp)
Tipo
Trabalho de conclusão de curso
Direito de acesso
Acesso restrito
Resumo
Resumo (português)
A geração de energia elétrica por meio de micro-aerogeradores em áreas urbanas é de grande importância atualmente, dada a crescente preocupação com a sustentabilidade e a busca por fontes renováveis de energia. Este trabalho tem como objetivo criar um modelo para calcular a quantidade de energia produzida por micro-aerogeradores em áreas urbanas, utilizando técnicas de aprendizado de máquina e modelos de regressão. Os dados necessários para treinar o modelo são obtidos através de simulações realizadas com o aplicativo System Advisor Model (SAM) e os resultados na simulação utilizado como dados de entrada nas redes neurais para treinamento. Por fim, para validação do modelo são observados os comportamentos dos erros médios quadráticos (MSE), erros médios absolutos (MAE) e coeficiente de determinação (R2). Como resultados, conclui-se que o uso da curva de potência do aerogerador como um classificador da entrada dos dados na rede, permitiu o aumento o nível de análise dos dados gerando assim resultados com erros abaixo de zero, sendo esse um bom resultado.
Resumo (inglês)
The generation of electricity through micro-wind turbines in urban areas is of great importance today, given the growing concern with sustainability and the search for renewable energy sources. This work aims to create a model to calculate the amount of energy produced by microwind turbines in urban areas, using machine learning techniques and regression models. The data required to train the model is obtained through simulations carried out with the System Advisor Model (SAM) application, and the simulation results are used as input data in the neural networks for training. Finally, to validate the model, the behaviors of the mean squared errors (MSE), mean absolute errors (MAE), and the coefficient of determination (R²) are observed. As a result, it is concluded that the use of the wind turbine power curve as a classifier for the data input into the network allowed for a higher level of data analysis, thus generating results with errors close to zero, which is a good outcome.
Descrição
Idioma
Português
